基于模糊C均值聚類的電站鍋爐燃燒在線診斷

王錫輝，陳厚濤，朱曉星，劉 帥，盛 鍇，肖 剛

基于模糊C均值聚類的電站鍋爐燃燒在線診斷

王錫輝1，陳厚濤1，朱曉星1，劉 帥1，盛 鍇1，肖 剛2

（1.國網湖南省電力有限公司電力科學研究院湖南省湘電試驗研究院有限公司高效清潔火力發電技術湖南省重點實驗室，湖南 長沙 410007；2.浙江大學熱能工程研究所能源清潔利用國家重點實驗室，浙江 杭州 310027）

電站鍋爐燃燒在線診斷對智能電廠建設具有重要意義，通過智能診斷實現自動組織安全穩定優質的燃燒是機組智能運行要解決的關鍵問題之一。本文采用基于火焰強度信號的模糊C均值聚類算法對鍋爐燃燒狀態進行在線診斷，分析運行歷史中出現的燃燒狀態并歸納為4種類別，求取各類別聚類中心，在線計算待診斷樣本與各類聚類中心的隸屬度值后確定其燃燒狀態。將該方法在某超臨界620 MW機組上進行應用，分析該機組鍋爐燃燒器出力穩定、出力變化、出力不穩定、著火至出力穩定時4種典型工況的診斷結果。結果表明，本文提出的在線診斷方法在各種工況下均能準確評價鍋爐燃燒狀態，診斷結論能實時客觀地反映燃燒狀態的變化，可實現鍋爐燃燒實時優化指導。

電站鍋爐；智能運行；燃燒優化；在線診斷；模糊C均值聚類

隨著社會發展和能源需求的深刻變革，強化火電機組的深度調峰作用和實現火電機組的智能化控制已成為當前火電機組控制技術要解決的2個重要問題[1-2]。目前火電機組的智能啟停控制技術已在許多工程成功應用[3]，取得了良好效果，為智能電廠的建設提供了基礎。然而，機組狀態的智能診斷、智能運行以及智能管理等技術仍處于研究之中。鍋爐燃燒診斷是智能診斷的核心內容之一，是機組實現自動組織安全、穩定、優質燃燒的先決條件，也是電廠智能化建設的重要內容。

國內外電站鍋爐燃燒狀態診斷方法大致分為火檢信號、火焰頻譜或爐膛壓力分析法[4-8]和火焰數字圖像分析法[9-16]。就工程造價和維護成本而言，前者要低于后者，具有較大的工程應用優勢。火檢信號是爐膛燃燒的直觀反映，采用模糊C-均值(FCM)聚類算法對火焰強度信號進行分析，可實現鍋爐燃燒狀態的診斷[6,8]。筆者在之前的工作中論證了基于火檢信號的FCM聚類算法特征量的提取方法及其表征燃燒狀態的準確性，同時對診斷周期進行了研究，確定了適用于工程應用的診斷周期[10]。但該方法是基于系統歷史數據的離線診斷，對實際運行機組缺乏實時指導意義。

某燃煤電廠620 MW機組鍋爐為超臨界參數、帶啟動循環泵、一次中間再熱、單爐膛、平衡通風、固態排渣、露天布置、全鋼構架、“W”型火焰燃燒、垂直內螺紋管水冷壁、П型變壓直流鍋爐。汽輪機是超臨界、一次中間再熱、單軸、三缸四排汽、凝汽式、雙背壓汽輪機。本文將基于FCM聚類算法的鍋爐燃燒診斷方法，對該機組鍋爐燃燒狀態進行在線診斷，為電廠智能化建設中在智能診斷方向的研究和應用提供參考。

1 鍋爐燃燒診斷方法

1.1 模糊C-均值聚類算法

燃燒狀態的“好”或“差”無法從理論上給出清晰的定義，只是明確燃燒狀態“好”時應具備的一些屬性，當這些屬性發生變化時，認為燃燒狀態發生了變化，各種狀態之間沒有明晰的分界線。FCM聚類算法采用隸屬度的概念描述了一個樣本屬于某種確定類別的程度，將模糊事件的描述以定量形式表現出來，非常契合燃燒狀態漸進變化的物理屬性。FCM聚類算法的基本原理在文獻[6]已詳細論述[6]。為表述方便，此處僅列出隸屬度的概念及計算方法。對于數據集={1,2, …,x}，假設該數據集可劃分為個類別，則第個樣本隸屬于第(1≤≤)類的隸屬度u滿足如下條件：

式中：為平滑因子，一般取2；p為第個類別的聚類中心。

1.2 在線診斷流程

基于火焰強度信號FCM聚類的鍋爐燃燒狀態在線診斷方法流程如圖1所示。

圖1 鍋爐燃燒狀態在線診斷流程

步驟包括：1）收集待診斷鍋爐的火焰強度信號歷史數據；2）基于火焰強度信號對歷史數據中出現的燃燒狀態分類，確定類別數；3）針對每一種燃燒狀態類別選取指定數量的火焰強度信號歷史數據，確定診斷周期和用于表征燃燒狀態的特征參數向量；4）計算診斷周期內特征參數向量的值，將每個診斷周期的特征參數向量值作為一組樣本，針對每一種燃燒狀態類別，獲取多組樣本；5）對每一種燃燒狀態類別的多組樣本進行聚類，得到每一種燃燒狀態類別的聚類中心；6）以為周期在線計算該段時間內特征參數向量的值，組成待識別樣本；7）計算步驟6）中得到的待識別樣本與步驟5）中獲得的每一種燃燒狀態類別的聚類中心之間的隸屬度；8）根據隸屬度取值確定待識別樣本對應的燃燒狀態類別。

1.3 特征參數向量在線計算方法

研究表明[6]，采用火焰強度信號的均值、標準差、均勻度、變異系數、峰峰值為特征參數向量、診斷周期為10~30 s時，通過計算聚類中心能明確區分不同的燃燒狀態。當實際燃燒狀態發生變化時，其聚類中心具備準確識別燃燒狀態變化的能力。本文采用同樣的特征參數向量進行在線診斷，選取15 s作為診斷周期，離線計算各燃燒狀態的聚類中心并實施在線診斷。本文所述機組的數據采集系統對于火焰強度信號的采集頻率為每秒1次。實施在線診斷時，分別獲取當前時刻及之前1、2、……、14 s對應時刻的火焰強度信號，診斷周期內火焰強度信號序列獲取方法如圖2所示。分別計算該組15個數據的均值、標準差、均勻度、變異系數以及峰峰值，得到的向量即為待診斷樣本。

圖2 診斷周期內火焰強度信號序列獲取方法

1.4 輔助邏輯設計

每只燃燒器對應獨立的火檢探頭，火檢探頭朝向對準相應燃燒器噴嘴。理想情況下，火檢探頭數據只反映被監測燃燒器的燃燒情況。在實際中，尤其在機組負荷較高時，存在火檢“偷看”現象。為提高燃燒診斷的準確性，設計防“偷看”邏輯，即只有在燃燒器投用時，才進行燃燒診斷。反復調試火檢探頭朝向和相關參數設置，減弱爐膛背景火焰對火檢探頭的影響。本文所述燃燒狀態在線診斷流程是針對單獨的燃燒器而言。對爐膛內所有燃燒器均進行診斷，即可實現全爐膛的燃燒診斷。

2 試驗結果及分析

2.1 聚類中心計算

收集點火初期到機組滿負荷運行各階段的火焰強度信號歷史數據。燃燒狀態經分析可分為4類，對應的語言描述分別為“好”、“一般”、“較差”和“很差”。診斷周期選為15 s，離線計算各狀態的聚類中心，計算結果見表1。

表1 各燃燒狀態聚類中心計算結果

Tab.1 The calculation results for each combustion state clustering center

2.2 在線診斷結果

在分散控制系統（DCS）中編制基于FCM聚類的燃燒狀態在線診斷方法計算流程組態，在線計算待診斷燃燒器的特征參數向量并將其作為診斷樣本。計算待診斷樣本與表1中各燃燒狀態聚類中心之間的隸屬度，從而對當前時刻之前14 s時間段內的燃燒狀態做評價，實現實時診斷。

圖3為燃燒器出力穩定時在線診斷結果。由 圖3可見，在診斷時段內，火焰強度信號（量程為0~100）值一直保持100，表明該燃燒器在該段時間內出力穩定，燃燒良好。同時該時段內的診斷樣本與對應燃燒狀態“好”的聚類中心之間的隸屬度值始終為1，與對應燃燒狀態“一般”“較差”以及“很差”的聚類中心之間的隸屬度均為0。根據隸屬度的定義可知，待診斷樣本與某聚類中心之間的隸屬度越接近1，表明該診斷樣本隸屬于聚類中心的程度越大。當隸屬度為1時，表示診斷樣本完全隸屬于該聚類中心。由此可知，在線診斷方法對該時段內的燃燒狀態診斷結果為：燃燒狀態“好”，與實際情況一致，表明在線診斷是準確的。

圖3 燃燒器出力穩定時在線診斷結果

圖4為燃燒出力發生變化時的在線診斷結果。由圖4中火焰強度信號可知，該時段內的大部分時間，火焰強度信號值為100。在16:20—16:23、16:24—16:26以及16:28—16:29時段內，火焰強度信號發生了波動。相對應的，待診斷樣本與燃燒狀態“好”聚類中心之間的隸屬度值大部分時候為0.9~1.0。在火焰強度信號發生變化的同時段內，隸屬度值偏離了該區域。在16:20:45時刻，待診斷樣本與燃燒狀態“好”聚類中心之間的隸屬度值變化至0.46，與燃燒狀態“一般”“較差”“很差”聚類中心之間的隸屬度值分別為0.393、0.079、0.068。表明在該時刻之前15 s內的燃燒狀態介于“好”與“一般”之間，更接近于“好”。考察火焰強度信號可知，其值在該15 s時段內輕微波動，變化范圍為86~100。16:21:55時待診斷樣本與燃燒狀態“好”之間的隸屬度為0.159，與燃燒狀態“一般”“較差”“很差”之間的隸屬度值分別為0.700、0.076、0.065，表明在該時刻之前15 s內燃燒狀態更接近于“一般”。在16:25及16:29時刻有同樣趨勢，即火焰強度信號出現波動時，待診斷樣本與燃燒狀態“好”之間的隸屬度由接近1變化至接近0，而與燃燒狀態“一般”的隸屬度由接近0變化至接近1。待診斷樣本與其余兩種狀態之間的隸屬度也略有波動，但始終小于0.1。表明燃燒狀態由“好”向“一般”轉變。在16:19—16:29時段內，在線診斷結論為：燃燒狀態游離于“好”與“一般”之間，更接近于“好”，與火焰強度信號變化的趨勢一致。所述的在線診斷方法能準確反映真實燃燒狀態的變化。

圖4 燃燒器出力變化時在線診斷結果

圖5為燃燒器出力不穩定時在線診斷結果。由圖5可知，該時段內燃燒不穩定，火焰強度信號在60~100之間頻繁波動，最低值達到32。相應在19:39—19:42時段，待診斷樣本與燃燒狀態“一般”之間的隸屬度值在0.34~0.92波動，在該時段內的大部分時間，隸屬度值大于0.6，且大于待診斷樣本與其余3種燃燒狀態聚類中心之間的隸屬度值，表明該時段燃燒狀態可評價為“一般”。在19:42—19:43時段，待診斷樣本與燃燒狀態“較差”之間的隸屬度逐漸變大，其隸屬度值接近于燃燒狀態“一般”，表明燃燒狀態游離于“一般”與“較差”之間。該時段內火焰強度信號的平均值明顯降低，變化趨勢與診斷結論一致。在20:00—20:04時段，待診斷樣本與燃燒狀態“很差”之間的隸屬度逐漸變大，其值在0.30~0.85波動，樣本與燃燒狀態“較差”之間的隸屬度減小，在0.1~0.3之間，與燃燒狀態“一般”之間的隸屬度減至小于0.1，表明該時段內，燃燒狀態變化至“很差”。在19:51—20:09時段內，待診斷樣本與燃燒狀態“好”之間的隸屬度均小于0.15，絕大多數小于0.10，表明該時段內實際燃燒狀態與“好”相差較遠，診斷結論與火焰強度信號的趨勢變化一致。

利用在線診斷方法，可以實現對燃燒優化的實時指導。與單純分析火焰強度信號相比，采用基于FCM聚類的燃燒在線診斷的優勢為：1）火焰強度信號是某一時刻的燃燒強度表征，而在線診斷研究的是某一時段的燃燒狀況，后者是對前者一段時間內的情況作出的分析總結，更符合燃燒診斷的實際需求；2）當火焰不穩定時（圖5），火焰強度信號無法實時給出確切的燃燒診斷結論，而在線診斷具備實時和定量評估能力；3）火焰強度信號單純表征燃燒強度的絕對值，而在線診斷分析其絕對值、均勻度、波動性和變異情況，對燃燒狀態進行多維評價，評價更加全面準確。

圖5 燃燒器出力不穩定時在線診斷結果

圖6為燃燒器點火到出力穩定時的在線診斷結果。由圖6可知，在10:18:27—10:21:28時段內，火焰閃爍，時有時無，火焰強度信號在0~100波動。其中10:21:56—10:22:02呈現短暫穩定趨勢。在線診斷結果顯示，在10:18:27—10:21:28時段內，待診斷樣本與燃燒狀態“很差”聚類中心之間的隸屬度在0.45~0.88之間波動，大于樣本與其他狀態之間的隸屬度，表明該時段內的燃燒狀態“很差”。在10:21:56—10:22:02時段內，樣本與燃燒狀態“較差”之間的隸屬度增大，表明燃燒狀態由“很差”向“較差”變化。在線診斷結論與實際燃燒狀態一致。從10:22:58開始，火焰強度信號趨于穩定，其值為100并保持不變。在10:18—10:24時段內，在線診斷結果顯示，燃燒狀態由“很差”→“較差”→“一般”→“好”。火焰穩定后，樣本與燃燒狀態“好”之間的隸屬度為1，與其余狀態之間的隸屬度均為0。在線診斷結果完整記錄了燃燒器著火至出力穩定的過程。

圖6 燃燒器點火至出力穩定時在線診斷結果

3 結 語

本文將基于FCM聚類的燃燒診斷方法應用于某燃煤電廠超臨界620 MW機組實際工程，分析運行歷史中出現的燃燒狀態并歸納為4種類別，求取各類別聚類中心，在線計算待診斷樣本與各類別聚類中心的隸屬度值后確定其燃燒狀態，對燃燒器出力穩定、燃燒器出力變化、燃燒器出力不穩定、燃燒器著火至出力穩定時4種典型工況進行狀態評價。結果顯示，針對各種工況，本文提出的在線診斷方法均能準確評價鍋爐燃燒狀態，診斷結論實時客觀反映了燃燒狀態的變化。利用該在線診斷方法，可以實現對燃燒優化的實時指導，為實現燃燒的智能化控制打下基礎。

［1］ 王嘉陽, 申建建, 程春田, 等. 基于負荷重構策略的火電切負荷調峰方法[J]. 中國電機工程學報, 2014, 34(16): 2684-2691.

WANG Jiayang, SHEN Jianjian, CHENG Chuntian, et al. A load shedding method for thermal power plants with peak regulation based on load reconstruction strategy[J]. Proceedings of the CSEE, 2014, 34(16): 2684-2691.

［2］ 王錫輝, 陳厚濤, 彭雙劍, 等. 630 MW燃煤機組給水泵自動并泵過程控制策略[J]. 熱力發電, 2017, 46(11): 91-96.

WANG Xihui, CHEN Houtao, PENG Shuangjian, et al. Control strategy for automatic parallel operation of feed water pumps in a 630 MW coal-fired unit[J]. Thermal Power Generation, 2017, 46(11): 91-96.

［3］ 彭敏, 劉冬林, 謝國鴻, 等. 國產超(超)臨界火電機組智能控制系統的工程應用[J]. 中國電力, 2016, 49(10): 7-11.

PENG Min, LIU Donglin, XIE Guohong, et al. Engineering application of PIC system in domestic supercritical/ultra supercritical thermal generation units[J]. Electric Power, 2016, 49(10): 7-11.

［4］ 卓建坤, 焦偉紅, 宋少鵬, 等. 鍋爐燃燒優化中NO預測模型研究進展[J]. 燃燒科學與技術, 2016, 22(6): 531-540.

ZHUO Jiankun, JIAO Weihong, SONG Shaopeng, et al. A review on nitrogen oxides prediction model in combustion optimization of boilers[J]. Combustion Science and Technology, 2016, 22(6): 531-540.

［5］ 郭建民, 劉石, 姜凡. 模糊免疫網絡算法在數字圖像火焰監測中的應用[J]. 中國電機工程學報, 2007, 27(2): 1-5.

GUO Jianmin, LIU Shi, JIANG Fan. The application of fuzzy immune network algorithm to flame monitoring[J]. Proceedings of the CSEE, 2007, 27(2): 1-5.

［6］ 王錫輝, 陳厚濤, 彭雙劍, 等. 基于火檢信號模糊聚類分析的燃燒診斷方法[J]. 熱力發電, 2018, 47(9): 27-33.

WANG Xihui, CHEN Houtao, PENG Shuangjian, et al. A combustion diagnostic method based on the fuzzy clustering of flame intensity signals[J]. Thermal Power Generation, 2018, 47(9): 27-33.

［7］張玉杰, 劉芳, 齊憶南. 基于神經網絡的電站鍋爐燃燒診斷方法研究[J]. 西安石油大學學報(自然科學版), 2007, 22(5): 103-106.

ZHANG Yujie, LIU Fang, QI Yinan. Study on the combustion diagnosis method of power-station boilers based on neural network[J]. Journal of Xi’an Shiyou University (Natural Science Edition), 2007, 22(5): 103-106.

［8］ 劉偉, 司風琪, 徐治皋. 基于燃燒特征量和模糊C均值聚類的燃燒診斷[J]. 東南大學學報(自然科學版), 2012, 42(22): 326-330.

LIU Wei, SI Fengqi, XU Zhigao. Combustion diagnosis based on combustion feature and fuzzy C-means clustering[J]. Journal of Southeast University (Natural Science Edition), 2012, 42(22): 326-330.

［9］ BALLESTER J, GARCI′A-ARMINGOL T. Diagnostic techniques for the monitoring and control of practical flames[J]. Progress in Energy and Combustion Science, 2010(36): 375-411.

［10］ HERNáNDEZ R, BALLESTER J. Flame imaging as a diagnostic tool for industrial combustion[J]. Combustion and Flame, 2008, 155: 509-528.

［11］ 王飛, 馬增益, 衛成業, 等. 根據火焰圖像測量煤粉爐截面溫度場的研究[J]. 中國電機工程學報, 2000, 20(7): 40-43.

WANG Fei, MA Zengyi, WEI Chengye, et al. Study on the section temperature measurement of power plant boiler based on flame image[J]. Proceedings of the CSEE, 2000, 20(7): 40-43.

［12］ 薛飛, 李曉東, 倪明江, 等. 基于面陣CCD的火焰溫度場測量方法研究[J]. 中國電機工程學報, 1999, 19(1): 39-41.

XUE Fei, LI Xiaodong, NI Mingjiang, et al. Research on temperature field measuring for combustion flame based on plane surface array CCD[J]. Proceedings of the CSEE, 1999, 19(1): 39-41.

［13］ 吳一全, 宋昱, 周懷春. 基于灰度熵多閾值分割和SVM的火焰圖像狀態識別[J]. 中國電機工程學報, 2013, 33(20): 66-73.

WU Yiquan, SONG Yu, ZHOU Huaichun. State identi- fication of boiler combustion flame images based on gray entropy multiple thresholding and support vector machine [J]. Proceedings of the CSEE, 2013, 33(20): 66-73.

［14］ LUO Z, ZHOU H. A combustion-monitoring system with 3-D temperature reconstruction based on flame-image processing technique[J]. IEEE Transactions on Instrument and Measurement, 2007, 56(5): 1877-1882.

［15］ 丁經緯, 馬增益, 黃群星, 等. 爐膛火焰溫度場重建非線性優化算法研究[J]. 中國電機工程學報, 2003, 23(2): 136-139.

DING Jingwei, MA Zengyi, HUANG Qunxing, et al. Research on reconstruction of temperature field in furnace and nonlinear optimization method[J]. Proceedings of the CSEE, 2003, 23(2): 136-139.

［16］ 王春華, 仲兆平, 鄂加強. 基于LS-SVM的燃燒狀況智能診斷[J]. 燃燒科學與技術, 2010, 16(5): 462-466.

WANG Chunhua, ZHONG Zhaoping, E Jiaqiang. Intelligent diagnosis of combustion based on LS-SVM[J]. Journal of Combustion Science and Technology, 2010, 16(5): 462-466.

Online diagnosis for combustion of power station boilers based on fuzzy C mean clustering

WANG Xihui1, CHEN Houtao1, ZHU Xiaoxing1, LIU Shuai1, SHENG Kai1, XIAO Gang2

(1. Hunan Province Key Laboratory of High Efficiency & Clean Thermal Power Technology, State Grid Hunan Electric Power Company Research Institute Co., Ltd., Hunan Xiangdian Test and Research Institute Co., Ltd., Changsha 410007, China; 2. State Key Laboratory of Clean Energy Utilization, Institute for Thermal Power Engineering, Zhejiang University, Hangzhou 310027, China)

On-line diagnosis of boiler combustion in power plants is of great significance to the construction of smart power station. Realizing automatic close-loop control for safety, stable and excellent combustion through smart diagnosis is one of the key issues that need to be solved for smart operation of power units. In this paper, the boiler combustion status is diagnosed online by using the fuzzy C mean clustering algorithm based on flame intensity signal. Via analyzing the history data of combustion states, four categories of combustion state are summarized and the cluster center of each category is obtained. The combustion state of a flame is determined by calculating the membership between the diagnosing sample and the cluster center of each category. Moreover, this method is practically applied on a supercritical 620 MW unit to analyze the diagnosis results under four typical conditions, namely the steady output of the burner, varying output of the burner, unstable output of the burner and the condition from ignition to steady output of the burner. The results show that, the method proposed in this work is probable to accurately estimate the combustion state of all conditions, and the diagnosing conclusion reflects objectively the actual combustion process. Based on the online diagnosis, it is able to provide real-time guidance for combustion optimization.

utility boiler, smart operation, combustion optimization, online diagnosis, fuzzy C mean clustering

TK232

A

10.19666/j.rlfd.201906141

2019-06-26

國家自然科學基金項目(51776186)；湖南省科技創新平臺與人才計劃項目(2016TP1027)

Supported by：National Natural Science Foundation of China (51776186); Science & Technology Innovation Platform and Talent Plan of Hunan Province (2016TP1027)

王錫輝(1987—)，男，博士，高級工程師，主要研究方向為發電自動化與智能化及網源協調技術，wangxihui0601@163.com。

王錫輝, 陳厚濤, 朱曉星, 等. 基于模糊C均值聚類的電站鍋爐燃燒在線診斷[J]. 熱力發電, 2019, 48(9): 77-82. WANG Xihui, CHEN Houtao, ZHU Xiaoxing, et al. Online diagnosis for combustion of power station boilers based on fuzzy C mean clustering[J]. Thermal Power Generation, 2019, 48(9): 77-82.

（責任編輯 杜亞勤）